Variational Robotics meluncurkan model dunia autoregresif skala berikutnya pertamanya, WALL-SS, yang bertujuan untuk menyelesaikan masalah ketidaksesuaian sebab-akibat antara tindakan dan hasil dalam model dunia robot. Model ini menggunakan mekanisme prediksi hierarkis dari kasar ke halus, memastikan bahwa tindakan berbeda benar-benar menghasilkan hasil yang berbeda, serta mampu melakukan simulasi berkelanjutan hingga 60 detik. Pengujian menunjukkan bahwa skor kepatuhan tindakan WALL-SS mencapai 0,29, jauh melebihi 0,044 dari Cosmos3-Nano. Variational melakukan 600 eksperimen pasangan virtual-nyata, dengan koefisien keberhasilan tugas mencapai 0,926, menunjukkan bahwa model dunia ini dapat membantu robot menguji strategi secara preliminer di lingkungan virtual.

Penulis artikel, sumber: GeekPark

Kompetisi berikutnya dalam model dunia robot mungkin bukan kualitas gambar, melainkan arsitektur.

Penulis | Li Yuan

Diedit oleh Zheng Xuan

Cengkeraman lengan mekanis jelas tidak memegang cangkir, tetapi cangkir naik bersama cengkeraman seolah-olah ditarik oleh magnet. Masalah yang tampaknya absurd ini sedang mengganggu model robotik, dan industri bahkan menyebutnya sebagai "pengambilan magnetik".

Model generasi video hanya perlu membuat gambar terlihat masuk akal untuk dianggap berhasil; namun, model dunia tidak boleh hanya berfokus pada 'terlihat nyata'. Sebagian besar data pelatihan robot berasal dari demonstrasi sukses, sehingga model cenderung mengambil jalan pintas: alih-alih memahami perbedaan halus dalam tindakan, model langsung menghasilkan hasil yang paling mungkin berdasarkan gambar.

Di dunia nyata, pergeseran beberapa milimeter pada posisi cengkeram bisa membuat hasilnya berubah dari mengambil ke menumpahkan gelas atau bahkan gagal mengambil. Yang benar-benar perlu dipahami oleh model dunia adalah hubungan sebab-akibat antara tindakan dan hasil.

Pada 27 Agustus, AutoGPT merilis model dunia autoregresif skala berikutnya, WALL-SS, yang berusaha membawa model dunia dari "bisa digunakan" menuju "mudah digunakan". WALL-SS tidak menghasilkan seluruh gambar sekaligus, tetapi menggambarkan masa depan secara bertahap dari kasar ke halus, sehingga setiap tindakan benar-benar sesuai dengan hasil yang berbeda; sekaligus menggabungkan mekanisme memori jangka panjang untuk mencapai simulasi berkelanjutan hingga 60 detik.

Uji coba menunjukkan bahwa setelah simulasi berkelanjutan selama 60 detik, WALL-SS tetap lebih mendekati video asli dalam hal gambar dan lintasan gerak, dengan skor kepatuhan gerak mencapai 0,29, sedangkan Cosmos3-Nano hanya 0,044, dan model uji lainnya sama sekali mendapat skor 0. Dapat dikatakan bahwa WALL-SS adalah salah satu dari sedikit model yang mampu memprediksi gambar sesuai dengan perintah gerak.

Self-variable juga secara bersamaan mengumumkan peluncuran WALL-SS. Bagi dunia model robot yang belum membentuk jalur teknis yang seragam, peluncuran ini bukan hanya membuka satu model, tetapi juga memungkinkan industri bersama-sama memverifikasi: apakah model dunia benar-benar membuat prediksi berdasarkan tindakan, dan apakah simulasi virtual benar-benar dapat melayani robot nyata.

Saat paradigma teknis belum terkonsolidasi, eksplorasi berkelanjutan itu sendiri adalah daya saing. Kecerdasan tubuh membutuhkan tidak hanya perangkat keras yang dapat diluncurkan cepat, tetapi juga perusahaan yang terus menantang jalur yang sudah ada dan membuka batas-batas teknologi inti.

World Models, menjadi jalur utama untuk embodied intelligence

Pada tahun 2026, world models sedang menjadi salah satu arah teknologi paling diperhatikan di bidang robotika.

NVIDIA terus mengembangkan Cosmos dan mulai menerapkan model video dunia untuk pengendalian dan perencanaan robot; V-JEPA 2 dari Meta mencoba memungkinkan robot untuk menyelesaikan pengambilan di lingkungan asing dengan memprediksi perubahan dunia fisik. Semakin banyak penelitian juga mulai mengeksplorasi penggunaan model dunia untuk menggantikan sebagian pengujian fisik, sehingga robot dapat memprediksi hasil dari berbagai strategi di dunia virtual sebelum bertindak.

Memahami tren ini tidaklah rumit. Model bahasa besar belajar pola bahasa dengan memprediksi kata berikutnya, sedangkan model dunia memprediksi keadaan dunia berikutnya: robot bergerak ke kiri, apakah cangkir akan tumpah; cengkeraman diperketat sedikit lagi, apakah objek bisa diangkat; satu tindakan dilakukan terus-menerus selama sepuluh detik, bagaimana adegan akhirnya akan berubah.

Ini sangat penting untuk kecerdasan tubuh. Dalam beberapa tahun terakhir, industri terutama menyelesaikan masalah "bagaimana" robot melakukan tindakan, di mana VLA dapat langsung menghasilkan tindakan berdasarkan instruksi visual dan bahasa. Namun, seiring peningkatan kemampuan robot, masalah baru menjadi semakin menonjol: bagaimana menilai apakah satu strategi benar-benar baik atau tidak?

Jika setiap iterasi model bergantung pada pengujian perangkat nyata, biayanya tinggi dan siklusnya panjang, sehingga mudah menjadi bottleneck dalam pelatihan dan iterasi. Simulasi tradisional meskipun dapat menangani sebagian pengujian, memerlukan pemodelan manual terhadap material objek, gesekan, deformasi, dan hubungan kontak, sehingga sulit mencakup kompleksitas dunia nyata. Model dunia berusaha mempelajari bagaimana dunia berubah dari video nyata dan data interaksi robot, memungkinkan robot untuk secara berulang memprediksi dan memverifikasi strategi di lingkungan virtual.

Ini bahkan dapat berpartisipasi lebih lanjut dalam pengambilan keputusan robot. Setelah VLA melihat cangkir, ia langsung memutuskan "mengulurkan tangan untuk mengambil", sedangkan model dunia dapat terlebih dahulu memprediksi konsekuensi dari berbagai tindakan, lalu membantu robot memilih strategi yang lebih tepat—dari "bertindak langsung" menuju "berimajinasi terlebih dahulu, baru bertindak".

Namun, untuk benar-benar menjadi infrastruktur kecerdasan tubuh, model dunia saat ini masih menghadapi tiga ambang batas utama.

Pertama adalah konsistensi sebab-akibat antara tindakan dan hasil. Model tidak boleh hanya menghasilkan gambar yang sesuai harapan, tetapi harus secara akurat mencerminkan hasil yang ditimbulkan oleh tindakan tersebut; jika tidak, strategi yang sebenarnya tidak mampu meraih cangkir pun bisa dianggap sukses di dunia virtual.

Kedua adalah kemampuan inferensi jangka panjang. Tugas robot sering berlangsung selama puluhan detik atau lebih lama, sehingga model harus terus-menerus menggunakan prediksinya sebagai input untuk langkah berikutnya, di mana setiap kesalahan kecil dapat terakumulasi selama proses inferensi berkelanjutan.

Ketiga adalah konsistensi antara prediksi virtual dan operasi nyata. Seberapa realistis pun hasil generasi atau seberapa lama pun simulasi dilakukan, hal itu tidak berarti model benar-benar mampu mengevaluasi strategi robot. Hanya ketika kinerja di dunia virtual dapat membentuk korelasi stabil dengan hasil nyata, model dunia benar-benar memiliki nilai pengganti sebagian percobaan dan kesalahan nyata.

Tiga hambatan ini juga sedang menjadi inti persaingan model dunia pada tahap berikutnya.

WALL-SS, meningkatkan model dunia dari dasar arsitektur

WALL-SS adalah upaya baru untuk mengatasi masalah-masalah ini. Menurut paparan dalam makalah, ini adalah model dunia pertama yang menggunakan arsitektur autoregresif skala berikutnya.

Sebelumnya, banyak model dunia mengadopsi pendekatan video Diffusion: memasukkan gambar historis dan tindakan, lalu menghasilkan video masa depan melalui proses denoising berulang. Meskipun tindakan merupakan kondisi generasi, ia tidak secara eksplisit dimasukkan ke dalam rantai generasi «tindakan → hasil», sehingga model cenderung bergantung pada prior visual dan langsung memprediksi masa depan yang «kemungkinan besar berhasil»—bahkan jika cengkeram sebenarnya tidak memegang cangkir, model tetap dapat menghasilkan gambar cangkir yang berhasil diangkat.

WALL-SS mengorganisasi pengamatan dan tindakan menjadi urutan sebab-akibat "pengamatan—tindakan—pengamatan baru", sehingga tindakan benar-benar berperan dalam menghasilkan keadaan masa depan. Dengan kata sederhana, pertama-tama tentukan bagaimana dunia berubah, lalu secara bertahap lengkapi detailnya: skala kasar menentukan status kasar lengan mekanis dan objek, skala halus selanjutnya merekonstruksi gerakan dan kontak. Dikombinasikan dengan data kegagalan, pengambilalihan, dan koreksi, model belajar bahwa "tindakan berbeda, hasilnya juga berbeda".

Kemampuan ini telah diverifikasi dalam indikator. Skor pengikutan tindakan WALL-SS mencapai 0,29, dengan akurasi trajektori sebesar 0,539; sebaliknya, skor pengikutan tindakan Cosmos3-Nano hanya 0,044. Model lainnya sama sekali mendapat skor 0.

Masalah kunci lainnya adalah apakah model dunia dapat "mengingat cukup lama". WALL-SS menggunakan memori jangka panjang multiscale untuk mempertahankan detail terkini, mengompres riwayat jangka panjang, dan memungkinkan model melanjutkan simulasi dari prediksinya sendiri selama pelatihan, sehingga mengurangi akumulasi kesalahan. Ini memungkinkan model melakukan simulasi berkelanjutan selama 60 detik, sementara model lain sudah mencapai batas maksimal 20-30 detik.

Lebih penting lagi, kemampuan-kemampuan ini akhirnya diuji secara nyata. Variabel independen menjalankan strategi yang sama secara terpisah di WALL-SS dan robot nyata, menyelesaikan 600 eksperimen pasangan virtual-nyata. Hasilnya menunjukkan bahwa koefisien korelasi tingkat keberhasilan tugas antara keduanya mencapai 0,926, dengan akurasi peringkat kekuatan strategi yang berbeda sebesar 89%.

Ini berarti model dunia mulai memiliki nilai yang lebih penting: tidak hanya menghasilkan masa depan yang "terlihat nyata", tetapi juga mampu membantu robot menilai apa hasil yang akan ditimbulkan oleh berbagai tindakan, serta menguji strategi secara sebelumnya di dunia virtual.

Tentu, WALL-SS saat ini masih memiliki batasan. Input tindakannya terutama mencakup posisi, orientasi, dan pembukaan-penutupan gripper pada ujung lengan mekanis, tanpa mencakup status sendi lengkap, gaya, dan torsi, sehingga dukungan terhadap kontak halus dan tangan lincah multi-jari masih perlu diverifikasi lebih lanjut.

Terus lakukan inovasi arsitektur selama rute belum konvergen

WALL-SS bukanlah hasil tiba-tiba mengejar tren model dunia. Selama setahun terakhir, Zìxiàngliàng telah mengeksplorasi masalah yang sama: bagaimana menghubungkan pemahaman robot terhadap dunia, prediksi tindakan, dan eksekusi nyata.

WALL-OSS melalui pelatihan awal multimodal berskala besar, menggabungkan visual, bahasa, dan tindakan robot ke dalam satu model dasar tubuh; WALL-OSS-0.5 selanjutnya mendorong kemampuan pelatihan awal menuju transfer ke mesin nyata; kemudian, WALL-WM mulai memodelkan secara terpadu perubahan dunia dan tindakan robot, sementara X-Tokenizer mengeksplorasi bagaimana robot dan tindakan yang berbeda dapat dimasukkan ke dalam model yang seragam. Pada WALL-SS, jalur ini semakin menunjuk pada satu pertanyaan inti: setelah melakukan suatu tindakan, apa yang sebenarnya terjadi pada dunia?

Mengaliri serangkaian eksplorasi ini adalah komitmen jangka panjang terhadap pemodelan terpadu "dunia-aksi". Robot tidak hanya harus mampu bertindak, tetapi juga mampu memprediksi konsekuensi tindakan tersebut dan terus memperbaiki perilakunya berdasarkan hasilnya. Seiring akumulasi model, data, ontologi, dan pengalaman nyata, eksplorasi ini secara bertahap membentuk siklus teknis yang saling memberikan umpan balik.

Arsitektur dasar dari kecerdasan tubuh masih jauh dari konvergensi. Pada tahap ini, yang benar-benar penting bukanlah setiap upaya berhasil memprediksi jawaban akhir, tetapi apakah kita dapat terus mengajukan hipotesis arsitektur baru, menguji dengan data dan mesin nyata, lalu terus menyesuaikan jalur berdasarkan hasilnya.

Pengumuman peluncuran WALL-SS kali ini juga merupakan kelanjutan dari pendekatan ini. Yang diluncurkan bukan hanya satu model, tetapi serangkaian jalur teknis yang dapat diverifikasi bersama oleh industri: apakah autoregresi skala berikutnya lebih cocok untuk robot, apakah tindakan dan hasilnya benar-benar saling terkait, serta apakah pengujian virtual dapat mencerminkan kinerja mesin nyata. Para peneliti dapat melanjutkan eksplorasi berdasarkan ini, sementara perusahaan robotika juga dapat langsung memverifikasi apakah solusi ini dapat diintegrasikan ke dalam sistem pelatihan dan evaluasi mereka.

Ini juga memiliki makna yang lebih penting bagi industri kecerdasan tubuh awal: menurunkan biaya eksplorasi industri, serta memungkinkan berbagai pendekatan diuji dalam aplikasi nyata.

Dalam beberapa tahun terakhir, persaingan kecerdasan tubuh di dalam negeri lebih berfokus pada tubuh, data, dan penerapan produk. Namun, sebuah industri yang belum terbentuk tidak bisa hanya menunggu arsitektur matang muncul sebelum mengejar, tetapi juga membutuhkan orang-orang yang masuk ke posisi yang lebih mendasar seperti model dunia, representasi gerakan, dan paradigma pembelajaran, terus mencari kemungkinan berikutnya.

WALL-SS tentu bukan jawaban akhir, tetapi ia mewakili perubahan: perusahaan domestik mulai tidak hanya mengikuti jalur yang sudah ada, tetapi mengajukan asumsi arsitektur mereka sendiri dan membukanya untuk diuji oleh industri.

Ketika jalur teknis benar-benar berpindah, yang menentukan sebuah perusahaan bukan hanya sejauh mana ia mengikuti generasi sebelumnya, tetapi apakah ia terus mempertahankan kemampuan untuk mengeksplorasi generasi berikutnya.